XiaoMi-AI文件搜索系统
World File Search System描述符
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
筛查和生物学评估可溶性环氧化物水解酶抑制剂：评估疏水性在药效团引导搜索中的作用
摘要：人类可溶性环氧水解酶（SEH）是一种双功能酶，可调节调节性环氧脂质的水平。水解酶活性是由位于宽L形结合位点中心的催化三合会进行的，该催化三合会在两侧都包含两个疏水子沟。在这些结构特征的基础上，可以假定脱溶性是确定该口袋可实现的最大可实现亲和力的主要因素。因此，疏水描述符可能更适合于针对这种酶的新型打击。这项研究研究了在发现新型SEH抑制剂时量子机械衍生的疏水描述符的适用性。到这一末端，通过将静电和空间或疏水性和氢键参数与76个已知的SEH抑制剂结合列表结合使用，或结合静电和疏水性和氢键参数来产生三维定量结构 - 活性关系（3D-QSAR）。然后，通过使用选择的两个外部组（i）对药效团模型进行验证，以对四个不同系列化合物的效力进行排名，（ii）在两种情况下使用从文献中获取的数据集，以将活性物与诱饵区分开。最后，进行了一项前瞻性研究，包括对两个化学文库进行虚拟筛选，以识别新的潜在命中，随后对其对人，大鼠和小鼠SEH的抑制活性进行了实验测试。使用基于疏水的描述符导致六种化合物作为具有IC 50 <20 nm的人类酶的抑制剂，其中两个IC 50值为0.4和0.7 nm。结果支持使用疏水描述子作为搜索新型脚手架的有价值的工具，该工具编码了与目标结合位点互补的适当的亲水/疏水分布。■简介
介绍政治 Deepfakes 事件数据库
本文介绍了政治深度伪造事件数据库 (PDID)，这是一个政治上显著的深度伪造的集合，包括合成视频、图像和不太复杂的“廉价伪造”。该项目的推动因素包括政治中生成式人工智能的兴起、持续的应对危害的政策努力以及将人工智能事件与政治传播研究联系起来的需要。该数据库包含政治深度伪造内容、元数据和研究人员编码的描述符，这些描述符来自政治学、公共政策、传播和错误信息研究。它旨在帮助揭示政治深度伪造的普遍性、趋势和影响，例如那些以主要政治人物或事件为特色的深度伪造。PDID 可以对深度伪造的使用提供见解，协助监管，进行深入分析，支持事实核查和建立信任的努力，并提高对政治深度伪造的认识，从而使政策制定者、研究人员、记者、事实核查人员和公众受益。它适用于媒体效应、政治话语、人工智能伦理、技术治理、媒体素养和对策方面的研究和应用。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周的 12 种手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
通过定量结构特性（QSPR）分析探索药理学性状的基于频谱的描述
研究以定量结构性质关系（QSPR）分析为中心，重点是各种图能量，研究了诸如Me-氯喹酮，Sertraline，Sertraline，Niclosamide，Tizoxanide，Pha-690509，Irricasan，Emricasan，Emricasan和Sofosbuvir等药物。采用计算建模技术，旨在发现这些药物的化学结构及其独特特性之间的相关性。结果阐明了结构特征和药理学特征之间的定量关系，从而提高了我们的预测能力。这项研究显着，通过对这些药用化合物的结构质质连接提供基本见解，从而有助于药物发现和设计。值得注意的是，某些基于光谱的描述符，例如正惯性能，邻接能量，算术几何能，第一个Zegrab能量和谐波指数，表现出高于0.999的强相关系数。相反，众所周知的描述符，例如扩展的邻接，拉普拉斯和无价的拉普拉斯光谱半径，以及第一个和第二个Zagreb estrada指数的性能较弱。文章强调了图形能量和线性回归模型的应用，以有效预测药理特征，通过阐明分子结构与药理特征之间的关系来有效地增强药物发现过程并帮助有针对性的药物设计。
随机森林急性口腔毒性预测的机器学习模型
背景和目标：这项研究的重点是对急性口腔毒性的可靠和精确预测对增强化学安全性并提高可持续发展目标的重要性，特别是可持续发展目标3（良好的健康和福祉）（良好的健康和福祉），可持续发展目标6（清洁水和卫生）（清洁水和卫生），以及可持续发展的开发目标，以及可持续的开发目标，以及负责消费和生产和生产和生产。传统的毒性评估通常是耗时且昂贵的，因此需要探索更有效的方法。这项研究的重点是建立最有效的方法来构建可靠和精确的毒性预测模型。方法：评估随机森林是一种健壮的合奏方法，用于使用国家毒理学计划/机构间综合数据集进行预测急性口腔毒性，以评估替代性毒理学方法和环境保护署/国家国家能力测试中心的替代性毒理学方法和国家能力测试中心，这表现出了极大的compantance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance Immbalance，8％非常毒素的92％不太毒性。为了解决这种不平衡，利用了诸如成本敏感的学习和数据重采样技术（包括在采样和过度采样下）之类的策略。通过合理发现套件生成的一组二维分子描述符被用作输入特征，模型预处理涉及归一化，验证和特征选择。对特征重要性的检查表明，主要分子描述符是与范德华表面积和分子量子数有关的分子描述符。使用贝叶斯优化和交叉验证进行了超参数调整，而随机森林的性能与梯度提升，极端梯度增强，人工神经网络和广义线性模型相比进行了评估。发现：随机森林模型，尤其是在采样和成本敏感学习下使用的森林模型，表现出卓越的性能，达到0.81的灵敏度，0.85的特异性，0.85的精度和接收器操作特征曲线下的面积为0.89，在独立的测试集上为0.89。由随机森林预测发展出的替代决策树，在曲线下达到了一个0.929的面积。结论：随机森林模型有效地预测了急性口腔毒性，尤其是在通过对成本敏感的学习和重新采样来解决阶级失衡时。利用可解释的人工智能技术，包括置换特征的重要性，替代决策树分析和局部可解释的模型不足的解释，这项研究确定了驱动毒性的关键分子描述符。这一进步提高了模型的解释性，并代表了增强化学安全的重要一步，同时支持可持续发展目标。
Python 和 Tkinter 编程 - GeoSSC
4.1 Tkinter 控件导览 31 Toplevel 32, Frame 33, Label 35, Button 36, Entry 37, Radiobutton 37, Checkbutton 38, Menu 39, Message 42, Text 43, Canvas 44, Scrollbar 45, Listbox 45, Scale 46 4.2 字体和颜色 47 字体描述符 47, X Window System 字体描述符 47, Colors 48, 设置应用程序范围的默认字体和颜色 49 4.3 Pmw Megawidget 导览 49 AboutDialog 50, Balloon 50, ButtonBox 51, ComboBox 52, ComboBoxDialog 53, Counter 54, CounterDialog 55, Dialog 56, EntryField 56, Group 57, LabeledWidget 58, MenuBar 59, MessageBar 59, MessageDialog 61, NoteBookR 61, NoteBookS 62, NoteBook 63, OptionMenu 64, PanedWidget 65, PromptDialog 66, RadioSelect 66, ScrolledCanvas 67, ScrolledField 68, ScrolledFrame 69, ScrolledListbox 70, ScrolledText 70, SelectionDialog 71, TextDialog 72, TimeCounter 73 4.4 创建新的 megawidget 73 megawidget 的描述 73, 选项 74, 创建 megawidget 类 74